論文の概要: From Document Layout to Causal Topology: An End-to-End Architecture for Temporal Causal Reasoning

• arxiv url: http://arxiv.org/abs/2610.34094v1
• Date: Sun, 25 Oct 2026 06:45:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.534237
• Title: From Document Layout to Causal Topology: An End-to-End Architecture for Temporal Causal Reasoning
• Title（参考訳）: ドキュメントレイアウトから因果トポロジーへ:一時因果推論のためのエンドツーエンドアーキテクチャ
• Abstract要約: 大規模言語モデル(LLM)は一般に時間的推論において深い因果推論能力を持たない。 本稿では,離散的物語から因果的トポロジへのパラダイムシフトを提案する。
• 参考スコア（独自算出の注目度）: 7.849068761375513
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language models (LLMs) generally lack deep causal reasoning capabilities in temporal reasoning. Inspired by document layout reordering, this paper proposes a paradigm shift from discrete narratives to causal topologies. It constructs two architectures: a training-free neuro-symbolic framework, temporal causal reasoning agent (TCR-Agent), which achieves interpretable causal deduction and counterfactual truncation through external causal graph instantiation and a symbolic intervention engine; and an end-to-end model, temporal causal reasoning former (TCR-Former), which internalizes these mechanisms into the Transformer attention space via a Causal-Topological Attention Mask and temporal span biases. Experiments on the TempoCausal benchmark demonstrate that TCR-Agent comprehensively surpasses existing training-free baselines. At the same time, TCR-Former achieves an accuracy 16.5% higher than that of state-of-the-art (SOTA) methods, outperforming large-scale models such as GPT-5.4 and DeepSeek-V3.2 with only approximately 8.6B parameters. Further analysis reveals a structure-reasoning disconnection phenomenon in existing methods: external symbolic constraints and chain-of-thought reasoning can improve reasoning steps, yet fail to enhance deep causal deductive capability. By internalizing temporal causal reasoning capabilities into the model, TCR-Former effectively bridges this gap, providing an efficient and reliable end-to-end foundation for complex reasoning scenarios.
• Abstract（参考訳）: 大規模言語モデル(LLM)は一般に時間的推論において深い因果推論能力を持たない。 本稿では,文書レイアウトの並べ替えに触発されて,離散的な物語から因果的トポロジへのパラダイムシフトを提案する。 トレーニング不要なニューロシンボリック・フレームワーク、外部因果グラフのインスタンス化とシンボリック・インターベンション・エンジンによる解釈可能な因果推論と反ファクト的トランケーションを実現する時間因果推論剤(TCR-Agent)、およびこれらのメカニズムをカウスアル・トポロジカル・アテンション・マスクを介してトランスフォーマー・アテンション・スペースに内包するエンド・ツー・エンド・エンドモデル(TCR-Former)の2つのアーキテクチャを構築する。 TempoCausalベンチマークの実験では、TCR-Agentが既存のトレーニング不要のベースラインを網羅的に上回っていることが示されている。 同時に、TCR-Formerは最先端(SOTA)法よりも16.5%高い精度を達成し、GPT-5.4やDeepSeek-V3.2のような大規模モデルを約8.6Bのパラメータで上回っている。 外部のシンボリック制約とチェーン・オブ・シークレット推論は推論ステップを改善することができるが、深い因果還元能力を高めることができない。 TCR-Formerは、時間的因果推論機能をモデルに内包することで、このギャップを効果的に埋め、複雑な推論シナリオのための効率的で信頼性の高いエンドツーエンド基盤を提供する。

関連論文リスト

• Entropy-Gradient Inversion: Moving Toward Internal Mechanism of Large Reasoning Models [47.195670444638715]
  トークンエントロピーとロジット勾配の堅牢な相関関係であるtextbfEntropy-Gradient Inversion を同定し,正式に定義する。 我々は,この逆シグネチャを強化学習に組み込んだtextbfCorrelation-Regularized Group Policy Optimization (CorR-PO)を提案する。 複数のモデルスケールにわたる様々な推論ベンチマークの実験は、Corr-POが最先端のベースラインを一貫して上回っていることを示している。
  論文  参考訳（メタデータ） (2026-05-18T02:41:53Z)
• APR: Penalizing Structural Redundancy in Large Reasoning Models via Anchor-based Process Rewards [61.52322047892064]
  テスト時間スケーリング(TTS)は、Large Reasoning Models(LRM)の機能を大幅に強化した。 我々は, LRM が推論過程において最終回答を得た後も, 再検討なしに反復的自己検証を頻繁に行うことを観察した。 本稿では,Anchor-based Process Reward (APR)を提案する。
  論文  参考訳（メタデータ） (2026-01-31T14:53:20Z)
• Structured Reasoning for Large Language Models [59.215789462977206]
  本研究では、推論を明示的、評価可能、トレーニング可能なコンポーネントに分解するフレームワークであるStructured Reasoning(SCR)を提案する。 SCRは推論効率と自己検証を大幅に改善する。 既存の推論パラダイムと比較して、出力トークンの長さを最大50%削減する。
  論文  参考訳（メタデータ） (2026-01-12T04:04:01Z)
• ReasonAny: Incorporating Reasoning Capability to Any Model via Simple and Effective Model Merging [46.06799235021118]
  本稿では,コントラシブ・グラディエント同定による推論領域の性能崩壊を解消する新たな統合フレームワークを提案する。 安全、バイオメディシン、ファイナンス領域での実験では、ReasonAnyは効果的に"Reasoning + X"機能を合成している。
  論文  参考訳（メタデータ） (2026-01-09T06:19:00Z)
• A Self-explainable Model of Long Time Series by Extracting Informative Structured Causal Patterns [22.54910673667678]
  本稿では,解釈可能な時系列モデリングのための統合フレームワークEXCAPを提案する。 EXCAPは時間とともにスムーズで安定した説明を提供し、因果マスクの摂動に頑健であることを示す。 これらの結果から、EXCAPは、医療や金融といった高額な領域に関係した、時系列の解釈可能なモデリングに対して、原則的かつスケーラブルなアプローチを提供することを示している。
  論文  参考訳（メタデータ） (2025-12-01T08:33:33Z)
• Lost at the Beginning of Reasoning [85.17612793300238]
  第1の推論ステップが最終予測に不当に大きな影響を与えることを示す。 本稿では、報酬モデルを利用して高品質な第1推論ステップを特定し、維持する効率的なサンプリング戦略を提案する。
  論文  参考訳（メタデータ） (2025-06-27T09:53:57Z)
• T-CPDL: A Temporal Causal Probabilistic Description Logic for Developing Logic-RAG Agent [5.439020425819001]
  T-CPDL(Temporal Causal Probabilistic Description Logic)は、Description Logicを時間間隔演算子、明示的な因果関係、確率的アノテーションで拡張する統合フレームワークである。 T-CPDLは、言語モデル出力の推論精度、解釈可能性、信頼性校正を大幅に改善する。 この研究は、高度なLogic-Retrieval-Augmented Generation (Logic-RAG)フレームワークの開発の基礎となる。
  論文  参考訳（メタデータ） (2025-06-23T12:11:15Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。